地理学报
ACTA GEOGRAPHICA SINICA
第66卷第2期2011年2月
V ol.66,No.2Feb.,2011
收稿日期：2010-01-13;修订日期：2010-06-20
基金项目：国家自然科学基金项目(40571052)[Foundation:National Natural Science Foundation of China,No.40571052]作者简介：曹小曙(1970-),男,甘肃人,博士,博导,教授,中国地理学会会员(S110005157M ),主要从事交通地理与土地
利用研究。E-mail:caoxsh@https://www.doczj.com/doc/a511092924.html,
167-177页
基于结构方程模型的广州城市社区居民出行行为
曹小曙1,林强2
(1.中山大学地理科学与规划学院，广州510275；2.深圳市城市规划发展研究中心，深圳518040)
摘要：基于行为主义的视角，从微观的社区层面研究城市居民的出行行为。选取广州市的3个城市社区作为案例，以218个样本数据库为基础，根据研究的侧重点不同分别建立两个结构方程模型，拟合各变量之间的路径关系。其中居民出行选择的结构方程模型重点分析居民属性、居住区位与居民出行目的、出行时间、出行方式等出行偏好之间的关系。居民出行决策的结构方程模型则模拟居民的出行决策过程。结果显示：居民之间由于自身属性不同在出行选择和出行偏好上存在差异，居民出行行为中居民属性和居住区位是根本，出行目的是关键，居民出行行为可以概括为“属性决定目的，目的影响行动”。此外，居民的出行行为有其复杂的作用机制和决策路径，居民的出行决策过程可以解读为性别决策子系统、年龄决策子系统、收入决策子系统和居住区位决策子系统等4个决策子系统，各子系统中路径作用的不同使居民属性和居住区位对居民出行决策产生多重多向的效应，在复合系统的影响下城市社区居民表现出差异化的出行行为。关键词：城市社区；出行行为；结构方程模型；广州市
1引言
城市居民出行研究是城市交通研究的重要组成部分，西方发达国家以人为本、重视差异性等后现代思潮的兴起使人们开始关注人的真实交通需求以及出行行为之间的差异。在西方的研究中，基于交通公平性而展开的针对女性、老年人、低收入者等交通弱势群体的出行行为研究较为深入。关于女性出行行为研究重点关注距离限制和空间分离对女性的影响[1]。相关研究最初只关注发达国家城市郊区的女性出行[2-3]及其对城市福利和育儿设施的可达性[4]，但是近年来越来越多的学者转向研究女性群体的内部差异，特别是由于种族[5]、阶级[6]
等原因造成的出行行为差异。针对老年人的出行研究则着眼于交通资源对老年人参与社会活动的作用[7]以及交通设施对老年人出行行为的影响[8-9]，近年来老年人驾驶小汽车出行比率的增加[10]及其带来的负面影响[11-12]也引起了学界的关注。城市贫困现象使出行行为的研究点开始转向低收入群体。学者们认为，由于不能支付相对高昂的交通费用，低收入群体
缺乏就业和工作的机会，因此贫困现象不断循环积累[13-14]
，而近年来发展中国家低收入家庭的出行行为也开始受到关注[15]。社区层面的城市居民出行研究，主要关注街区特征与居民出行决策之间的关系，关于居民出行是否受到街区邻里设计的影响，学术界尚存在争议。Cervero [16]和Handy [17]认为街区的紧凑设计会影响居民的出行交通方式选择，Grane 等[18]则指出街区设计并没有在实质上影响居民的出行。
中国的城市居民出行行为研究，则始于20世纪80年代几个大城市相继开展的居民出行调查[19]。这些研究以调查数据为基础，关注居民的出行方式、出行时间等出行特征[20-21]，而居民的购物[22]、夜间消费[23]等出行，其空间特征也引起学界的兴趣。随着研究的深入，学者们
不再满足于出行行为的特征描述，开始从行为心理[24]、城市空间结构[25]
等角度探索影响居民
地理学报
168
66卷出行行为的潜在因素。研究的层面也从宏观的城市整体转向微观的社区，关注社区居民的通勤行为[26]及居住环境对居民出行的影响[27]。与此同时，在后现代思潮的影响下，国内学者开始关注女性居民和老年人群体的出行行为。女性出行行为研究通过将女性与男性的出行特征进行横向比较，借用女性主义的研究视角[28]、结构方程模型[29]等对女性出行行为进行解读。老年人的出行行为研究则关注老年人的日常活动路径及其时空特征[30]，如老年人的购物出行空间特征[31]等。
总体而言，国内外关于居民出行行为的研究大多把居民看成一个同质体，或者是基于居民的单一属性，如性别或年龄等，对居民的出行行为特征进行横向对比，忽略了居民是多种属性的复合体。同时，大部分研究停留在对出行特征的统计和描述，对居民的出行行为作用机制和出行决策过程考虑不足。有鉴于此，本研究以广州市城市社区居民的出行问卷调查第一手数据为基础，通过引入结构方程模型分析居民的多种属性与其出行选择、以及各种出行选择之间的相互作用关系，并以此为基础建立模型模拟居民的出行决策过程。
2数据来源与模型构建
2.1样本选取
以城市内环路和外环路为分界线将广州城市空间划分为中心城区、新城区以及外围区。本文选取的案例社区分别位于广州的3个不同圈层中(图1)。社区的空间界定以社区周边的道路分割线为基准，并考虑社区管理单元的完整性。问卷的发放以社区为单位，采用多层随机的抽样方法，首先根据各社区的人口规模确定其样本规模，再将各社区样本规模按年龄段进行群组划分，并确定各年龄段群组的性别比例(按照1:1进行抽样)，最后在既定的多层次群体中采取随机的方法进行抽样调查，并以1对1的方式进行问卷填写。本次调查共发放问卷235份，其中有效问卷218份，问卷有效率为92.8%。
2.2结构方程模型原理与模型建构
结构方程模型(SEM,Structural Equation Model)综合了方差分析、回归分析、路径分析和因子分析，是一种多变量复杂关系的建模工具。结构方程模型可以分析多因多果的联系、
图1各案例社区位置
Fig.1Selected communities in Guangzhou
2期曹小曙等：基于结构方程模型的广州城市社区居民出行行为
169潜变量的关系，并能够模拟多因子的内在逻辑关系，是非常重要的多元数据分析工具[32]。
本研究在SPSS13.0中建立了包含218个样本数据的数据库，并以此为基础导入AMOS 7.0进行分析并构建结构方程模型。研究中只考虑外生变量和内生变量之间的路径关系，不引入潜变量，因此结构方程模型可以表达为：
y=By+Γx+ζ
式中：y是外生变量，由内生指标组成的向量表示；x是内生变量，由外源指标组成的向量表示；B是内生变量间的关系，由随机联系矩阵表示，Г是外生变量对内生变量的影响，由直接随机效应矩阵表示；ζ是结构方程的残差项，反映y在方程中未能解释的部分[32]。由于模型中既包含连续变量，也包含虚拟变量和等级变量，因此，严格来说，模型估算的协方差矩阵应该基于典型多项相关(Canonical Polyserial Correlation)而非皮尔逊相关(Pearson Correlation)，相应的估算方法应该采取对角加权平方法(Diagonally Weighted Least Squares，DWLS)。本研究主要采取最大似然法(Maximum Likelihood，ML)进行估算，但同时采用了DWLS法来检验其估算结果的稳定性，发现两种方法给出的结果非常相似，故接受估算的结果。
本研究主要应用路径分析的方法，通过路径图和效应值来分析居民属性与其出行行为之间的关系。效应可以分解为直接效应(Direct Effect)、间接效应(Indirect Effect)和总体效应(Total Effect)，每种效应代表各变量之间的不同作用效果[29]。根据研究的侧重点不同分别建立两个结构方程模型，并在各模型中分别引入不同的因子作为变量。居民出行选择的结构方程模型用以分析居民属性和居住区位如何影响居民的出行目的、出行方式和出行时间选择，以及各种出行选择之间如何发生相互作用，以表征居民属性与居民出行偏好，以及各种出行偏好之间的关系；居民出行决策的结构方程模型则研究居民属性和居住区位对居民出行机动性、出行倾向等出行决策的作用路径，以模拟居民的出行决策过程。
3城市社区居民的出行选择路径
3.1变量选取与模型结果
居民出行选择的结构方程模型将居民的性别、年龄、月收入水平、家庭结构以及居住区位作为外生变量，将出行方式、出行时段、出行目的以及出行强度作为内生变量组。为避免变量过多造成分析混乱，研究中根据居民问卷填写情况，选取了具有代表性的若干变量表征居民出行选择的内生变量组。外生变量和内生变量特征分别见表1和表2。
建立初始模型进行反复试验和修正，得到最终模型的卡方值(Chi-square)为294.67，自由度为(Degrees of freedom)147，卡方值和自由度的比值等于2，最终模型与最优模型十分相近；进一步分析模型的拟合指标，拟合指数RMSEA(Root Mean Square Error of Approximation)值为0.068(小于0.08)，CFI(Comparative Fit Index)为0.916(大于0.9)，两项指标均说明所拟合的模型是一个“好”模型[32]。
3.2居民属性对出行选择的路径
性别的路径作用显示(表3)，女性居民文体活动、购物和探亲访友的出行频率要高于男性居民，特别是在购物方面，女性居民的购物出行发生概率大大高于男性居民(直接效应为0.481)。另一方面，作为交通弱势群体的女性居民其夜间出行愿望比男性居民更加强烈。此外，性别的间接效应值显示，性别差异也间接影响居民的出行方式、出行强度等出行行为特征。
年龄的路径作用显示(表3)，年龄的增长使居民上学出行的概率下降，文体活动和购物出行的频率增加，如老年人的休闲活动出行较多[30]。其次，年龄增长使居民的白天出行频率增加(6-10点、10-14点和14-18点的总体效应为正值)、夜间出行频率减少(18-22点的总体效应为负值)。此外，年龄将对居民的出行方式和出行强度产生间接的影响。
66卷
地理学报表1外生变量特征
Tab.1Characteristics of exogenous variables
变量 样本量 （％） 变量
描述 变量 样本量 （％） 变量
描述
变量
样本量 （％） 变量
描述 变量 样本量 （％） 变量
描述 性别 ２１８ （１００％） 虚拟 年龄
２１８ （１００％） 等级 月收入水平
２１８ （１００％） 等级 家庭结构 ２１８
（１００％） 等级 男 １１２ （５１．４％） １ ＜１８ ３６ （１６．５％） １ ≤８００ ４１ （１８．８％） １ 单身 ２１ （９．６％）
１
女 １０６ （４８．６％） ２ １８￣２９ ７０ （３２．１％） ２ ８０１￣１６００ １９ （８．７％） ２ 一家两口 ４０ （１８．３％）
２ 居住
区位 ２１８ （１００％） 等级 ３０￣４４
６０ （２７．５％） ３ １６０１￣２５００
２３ （１０．６％） ３
一家三口 ９５ （
４３．６％） ３ 中心 城区 ６４ （２９．４％） １ ４５￣５９ ３２ （１４．７％） ４ ２５０１￣５０００ ４４ （２０．２％） ４ 一家四口 ２０ （９．２％） ４ 新城区 ６２ （２８．４％） ２ ６０￣７４ １４ （６．４％） ５ ５００１￣１００００ ５７ （２６．１％） ５ 一家五口 ２７ （１２．４％） ５ 外围区 ９２ （４２．２％）
３ ？７５ ６ （２．８％） ６ １０００１￣２００００ １９ （８．７％） ６ 一家六口 ４ （１．８％） ６ ＞２００００
１５ （６．９％）
７ 其他 １１ （５．０％）
７
表2内生变量特征
Tab.2Characteristics of endogenous variables
１、出行目的变量组
２、出行时段变量组 ３、出行方式变量组
４、出行强度变量组 （％） 描述 （％） 描述 （％）
描述 （％） 描述 上班 ２１８
（１００％） 虚拟 ６－１０
２１８
（１００％）
虚拟 步行
２１８
（１００％）
虚拟 出行次数
２１８ （１００％） 连续 是 １３
（６１．０％） １ 是 １５８
（７２．５％）
１ 是 １０４
（４７．７％）
１
否 ８５ （３９．０％） ０ 否 ６０
（７２．５％）
０ 否 １１４
（５２．３％） ０
上学 ２１８
（１００％） 虚拟 １０－１４ ２１８
（１００％）
虚拟 小汽
车
２１８ （１００％） 虚拟 ２１８ （１００％） 连续
是 ３３ （１５．１％） １ 是 ８５
（３９．０％）
１ 是 ５７
（２６．１％）
１ 理想出行
时耗
否 １８５
（８４．９％） ０ 否 １３３
（６１．０％）
０ 否 １６１
（７３．９％）
０
购物 ２１８ （１００％） 虚拟 １４－１８ ２１８
（１００％）
虚拟 公共汽车 ２１８ （１００％） 虚拟 ２１８ （１００％）
连续 是 ８５ （３９．０％） １ 是 ７６
（３４．９％）
１ 是 １１９
（５４．６％）
１ 最大出行
时耗
否 １３３
（６１．０％） ０ 否 １４２
（６５．１％）
０ 否 ９９
（４５．４％）
０ 文体
活动 ２１８ （１００％） 虚拟 １８－２２ ２１８
（１００％）
虚拟 地铁 ２１８
（１００％）
虚拟 是 ８１ （３７．２％） １ 是 １１８
（５４．１％）
１ 是 ５６
（２５．７％）
１ 否 １３７ （６２．８％） ０ 否 １００
（４５．９％） ０ 否 １６２
（７４．３％） ０ 探亲访友 ２１８ （１００％） 虚拟 是 ３４
（１５．６％） １ 否 １８４ （８４．４％）
０
170
2期曹小曙等：基于结构方程模型的广州城市社区居民出行行为
171收入水平的路径作用显示(表3)，收入增加将提高居民上班出行比率，而上学和文体活动的出行比率则有所下降。其次，收入增长将直接增加居民地铁和小汽车的出行频率，其中对小汽车出行率的提升效果最显著(直接效应为0.422)，但是却间接降低了居民通过步行和公共汽车出行的频率。此外，收入水平不直接影响居民出行时间和强度(直接效应为0)。
家庭结构的路径作用显示(表3)，与小规模家庭(单身或者两人家庭)相比，规模较大的家庭其上学和探亲访友的出行频率较高，但是上班和购物出行的比率则有所下降。另一方面，规模较大的家庭其地铁和公交的出行概率会轻微下降，而步行出行概率则略有提升。此外，家庭结构的差异不会直接影响居民的出行时间及出行强度。
居住区位的路径作用显示(表3)，与中心城区社区相比，郊区型社区居民的步行出行频率更低，而小汽车出行频率则有所提高。其次，居住区位不影响居民白天出行时间选择，但是郊区型社区居民夜间出行发生率却要低于中心城区社区居民。此外，居住区位将直接影响居民的日出行次数，中心城区社区居民出行更频繁。最后，居住区位不影响居民的出行目的(总体效应、直接效应和间接效应值均为0)，即不同地区社区居民的出行目的并无显著差异。
3.3出行选择之间的相互作用
出行目的的直接效应路径图显示(图2a)，出行目的将对出行时间、出行方式和出行强度产生直接作用，而出行目的内部各变量之间的相互作用不显著。出行目的对出行时间有较多的路径作用，因此出行目的将显著地影响居民的出行时间选择。其中，上班出行频率的增加将抑制10-18点出行的发生，但是却能刺激居民傍晚出行。此外，上学、文体活动、购物以及探亲访友等出行的增加，也将不同程度地影响居民特定出行时间的选择。出行目的对出行方式的路径作用则显示，上班出行将显著增加公共汽车的使用频率，而购物出行则提高居民步行和地铁出行的频率。出行目的对出行强度的作用路径，则表现为上班对理想出行时耗的直接效应。上班出行的频率越高，居民理想出行时耗期望值越大。
出行时间的作用路径包括各出行时段之间的相互作用，以及出行时段对出行方式和出行强度的影响(图2b)。出行时间内部各变量之间的路径显示，10-14点的出行会抑制6-10点和14-18点的出行发生，这3个连续的时间段在居民出行选择上具有排斥性。出行时间对出行方式的路径包含6-10点出行对公共汽车出行的影响，以及14-18点出行对步行出行的影响，因此不同时间段中居民的出行方式选择略有不同。出行时间对出行强度的路径则显示，各时间段出行频率增加都将增加居民的出行次数，但是各时间段的作用强度却存在差异，10-14点的带动作用最强(路径系数最大)，而18-22点的作用最弱(路径系数最小)，白天出行
表3外生变量对内生变量的总体效应、直接效应和间接效应
效应 效应 效应 效应 效应 效应 效应 效应 效应 效应 效应 效应 效应 效应 上班 ０ ０ ０ ０ ０ ０ ０．５９５＊ ０．５９５＊ ０ －０．２３８＊ －０．２３８＊ ０ ０ ０ ０ 上学 ０ ０ ０ －０．５８９＊ －０．５８９＊ ０ －０．４５４＊ －０．４５４＊ ０ ０．２５４＊ ０．２５４＊ ０ ０ ０ ０ 购物 ０．４８１＊ ０．４８１＊ ０ ０．２４０＊ ０．２４０＊ ０ ０ ０ ０ －０．１２５＊ －０．１２５＊ ０ ０ ０ ０ 文体活动 ０．１３９＊ ０．１３９＊ ０ ０．２９２＊ ０．２９２＊ ０ －０．３２１＊ －０．３２１＊ ０ ０ ０ ０ ０ ０ ０ 探亲访友 ０．１９８＊ ０．１９８＊ ０ ０ ０ ０ ０ ０ ０ ０．１６９＊ ０．１６９＊ ０ ０ ０ ０ ６－１０ ０．０４５ ０ ０．０４５ ０．０１８ ０．２８１＊ －０．２６３＊ －０．１３７＊ ０ －０．１３７＊ ０．０９９ ０ ０．０９９ ０ ０ ０ １０－１４ ０ ０ ０ ０．２０３＊ ０ ０．２０３＊ －０．０２９ ０ －０．０２９ －０．０１３ ０ －０．０１３ ０ ０ ０ １４－１８ ０．１４５＊ ０ ０．１４５＊ ０．０４６ ０ ０．０４６ －０．２１４＊ ０ －０．２１４＊ ０．０７７ ０ ０．０７７ ０ ０ ０ １８－２２ ０．３６７＊ ０．２３０＊ ０．１３６＊ －０．１３０＊ －０．２６９＊ ０．１３８＊ ０．０６４ ０ ０．０６４ －０．０９０ ０ －０．０９０ －０．１１３＊ －０．１１３＊ ０ 步行 ０．１０９ ０ ０．１０９ ０．０４８ ０ ０．０４８ －０．０５０ ０ －０．０５０ ０．２２１＊ ０．２２３＊ －０．００２ －０．２０９＊ －０．２０９＊ ０ 小汽车 －０．０１７ ０ －０．０１７ －０．００８ ０ －０．００８ ０．４３０＊ ０．４２２＊ ０．００８ －０．０３５ ０ －０．０３５ ０．２２４＊ ０．１９１＊ ０．０３３ 公共汽车 ０．００１ ０ ０．００１ ０．００１ ０ ０．００１ －０．１００ ０ －０．１００ －０．２３０＊ －０．１９５＊ －０．０３５ －０．１１２ ０ －０．１１２ 地铁 ０．１０３ ０ ０．１０３ ０．０５１ ０ ０．０５１ ０．０１４ ０．１７７＊ －０．１６３＊ －０．１８９＊ －０．１７７＊ －０．０１２ －０．０８５ ０ －０．０８５ 出行次数 ０．２１８＊ ０ ０．２１８＊ ０．１２２＊ ０ ０．１２２＊ －０．１４４＊ ０ －０．１４４＊ ０．００７ ０ ０．００７ －０．１９１＊ －０．１５７＊ －０．０３４ 理想时耗 －０．０２２ ０ －０．０２２ －０．０１３ ０ －０．０１３ ０．３２０＊ ０ ０．３２０＊ －０．１３２ ０ －０．１３２ ０．１００ ０ ０．１００ 最大时耗 －０．０１４ ０ －０．０１４ －０．００８ ０ －０．００８ ０．２０２＊ ０ ０．２０２＊ －０．０８３ ０ －０．０８３ ０．０６３ ０ ０．０６３ 注：以上数值均为标准化后的值；＊表示在０．０５及以上水平显著
66卷
地理学报
对居民的日出行次数带动更明显。
出行方式的作用路径包括各种出行方式之间的相互作用，以及出行方式对出行强度的作用(图2c)。各种出行方式之间的相互作用显示，步行出行频率的增加将直接降低小汽车的出行概率，而小汽车使用的减少则会增加公共汽车和地铁的出行比率，因此鼓励步行出行能够间接刺激公共交通工具的使用率，但是由于作用路径的单向性，单方面增加公共交通资源并不能有效抑制拥有小汽车的居民使用小汽车出行。出行方式对出行强度的作用路径则显示，小汽车使用比率的上升会增加居民的出行次数，并提高居民的理想出行时耗期望值。公共汽车和地铁出行也有类似的作用机制。各种交通方式中，小汽车对提高居民理想出行时耗期望的作用效果最明显(路径系数最大)。
出行强度的路径图显示，出行强度不对其他内生变量产生直接效应，出行强度主要表现为内部变量之间的相互作用(图2d)。出行次数对理想出行时耗的路径系数为负值，显示居民出行次数的增加将显著减少居民的单次出行时耗期望，即出行次数越多居民理想出行时耗越低。另一方面，居民理想出行时耗和最大忍受出行时耗呈现同向变化的趋势。因此，居民出行次数的增加(减少)将减少(增加)居民理想出行时耗的心理预期，从而减少(增加)居民的最大忍受出行时耗期望。
注：1、路径系数为0.1，表示自变量变化1个标准差将影响因变量变化0.1个标准差
2、A →B →C ，表示A 通过影响B 影响C 的一条路径，该路径中A 对C 的间接效应为0.2×0.5=0.1
3、所有路径系数为标准化后的值，均在0.05及以上的水平上显著
图2内生变量之间的直接效应路径图
Fig.2The direct effect among endogenous variables
（ｃ） （ｄ） 0.20.5 c.
d.
172
2期曹小曙等：基于结构方程模型的广州城市社区居民出行行为4城市社区居民的出行决策系统
4.1变量选取与模型结果
居民出行决策的结构方程模型选取居民的性别、年龄、月收入水平以及居住区位等4个变量作为模型的外生变量，各变量赋值见表1。值得说明的是，在模型初始分析时将家庭结构作为外生变量，但是包含家庭结构的初始模型总体拟合效果不佳，因此在进行模型修正时将家庭结构剔除出外生变量组。另一方面，模型的内生变量选取居民的出行机动性、出行费用成本、出行时间选择、出行倾向、出行次数、出行理想时耗和出行最大忍受时耗等7个指标表征。
内生变量方面，出行次数、出行理想时耗和出行最大忍受时耗等3个变量为连续变量。对于其他4个非连续型的内生变量，以样本数据为基础，依据变量属性给出行方式、出行时段、出行目的中的不同选项赋值，内生变量赋值表见表4。
对于居民出行机动性、出行费用成本、出行时间等3个出行决策指标，采用等级赋值，数
值大小不代表数量的差异，仅表示指标程度的变化，赋值后采用算术平均数计算各出行决策指标的值。居民出行倾向包括生活性出行倾向和工作性出行倾向，其中生活性出行均赋值-1，工作性出行倾向均赋值1。单个样本的出行倾向采用算术和的方法计算。出行倾向为正值时显示居民工作性出行的倾向更强烈，为负值时则表示居民生活性出行意愿更高，出行倾向为零时显示居民出行倾向为中性，即生活性出行和工作性出行意愿相等。样本的绝对值表示个体出行倾向的强烈程度。需要说明的是，由于出行决策指标不易量化，本研究采取主观赋值的方法，但模型主要是模拟居民出行决策过程，变量之间的数量关系并不是模型研究的重点，因此，对模型的结果影响不大。
建立初始模型并进行反复试验和修正，得到最终模型的卡方值为78.460，自由度为35，卡方值和自由度的比值约为2，最终模型与最优模型十分相近；进一步分析模型的拟合指标，拟合指数RMSEA 值为0.076(小于0.08)，CFI 为0.960(大于0.9)，两项指标均说明所拟合的模型是一个“好”模型[32]。4.2居民出行决策的路径机制
居民出行决策的结构方程模型通过模拟居民的出行决策过程，从而更好地把握居民出行行为的内在逻辑关系。该模型可以解读为以下4个决策子系统(图3)。4.2.1性别决策子系统与男性居民相比，女性居民的生活性出行倾向更强烈，因此产生较多的下午和傍晚出行需求，从而增加了该群体的日平均出行次数，同时生活性出行的增加也降低了女性居民的出行时耗期望。男性居民的工作性出行倾向更强，因此出行大量集中在上午，下午和傍晚出行次数较少，从而降低了该群体的日平均出行次数，同时工作性出行的增加提高了男性居民的出行时耗期望值。男性和女性居民由于性别差异造成出行倾向的不
表4内生变量赋值表
Tab.4Endogenous variables 'assignments
１、出行机动性 ２、出行费用成本 ３、出行时间选择 ４、出行倾向
步行
１ 步行
１ ６－１０
１ 上学
１
自行车 ２ 自行车 ２ １０－１４ ２ 上班 １ 摩托车 ３ 楼巴
３ １４－１８ ３ 工作性出行 公务
１ 楼巴 ４ 公共汽车 ４ １８－２２ ４ 购物
－１ 地铁 ５ 地铁 ５ 文体活动 －１ 公共汽车 ６ 出租车 ６ 探亲访友 －１ 出租车 ７ 摩托车 ７ 生活性出行 娱乐活动
－１ 小汽车 ８
小汽车
８
173
66卷
地理学报
同，因此在出行时间选择上存在差异，并最终影响居民的出行强度。
4.2.2年龄决策子系统年龄较大的居民倾向于选择低成本的出行方式，而出行费用成本的降低将增加居民的出行次数。同时年龄的增长使居民的生活性出行愿望更加强烈，因此其出行次数有所增加。另一方面，年龄较大的居民出行时间前移，夜间出行频率降低，反而减少了其日出行次数。因此，不同的路径中年龄对出行次数的作用程度和作用方向有所不同。此外，年龄的增长使居民倾向于选择低成本的出行方式，费用成本的下降降低了该群体
的出行机动性，同时高年龄段居民的出行距离压缩[31]
，因此其出行时耗期望值呈现下降趋势。
4.2.3收入决策子系统收入水平越高的居民工作性出行倾向越强烈，因此其总体出行时间前移，工作性出行的增加和夜间出行的减少将降低居民的日出行频率。另一方面，高收入群体倾向选择成本较高的出行方式，而工作性出行比重上升和出行费用成本增加都将减少居民的日平均出行次数。此外，高收入群体较高的出行费用为其带来更强的出行机动性，同时工作性出行比重增加使居民愿意承担更多的出行时耗，因此该群体的理想出行时耗和最大忍受出行时耗期望值更高。
4.2.4居住区位决策子系统与中心城区和新城区社区居民相比，郊区型社区居民的出行费用成本较高，而费用成本的增加将减少其日出行次数。另一方面，生活性出行比率下降也使郊区型社区居民出行频率降低。此外，郊区型社区居民的平均出行费用要高于中心城区
注：1、路径系数为0.1，表示自变量变化1个标准差将影响因变量变化0.1个标准差
2、A →B →C ，表示A 通过影响B 影响C 的一条路径，该路径中A 对C 的间接效应为0.2×0.5=0.1
3、所有路径系数为标准化后的值，均在0.05及以上的水平上显著
图3居民出行的决策子系统
Fig.3The sub-systems of residents'travel decisions
0.20.5
（ａ） 性别决策子系统a.
174
2期
曹小曙等：基于结构方程模型的广州城市社区居民出行行为
和新城区社区居民，以换来更高的出行机动性满足其较长距离的出行需求(如通勤活动)，因此其理想出行时耗和最大忍受时耗值更大。而郊区型社区居民工作性出行比重的上升也提高了其出行时耗期望值。
5结论
(1)居民的出行行为有其复杂的作用机制和决策路径，居民属性和居住区位不同使居民的出行需求存在差异，因此居民的出行行为表现出多样性。以居民属性、居住区位以及出行目的、出行时间、出行方式等出行属性为基础建立的居民出行选择的结构方程模型重点分析外生变量对内生变量，以及内生变量之间的单一作用关系及影响程度；以居民属性、居住区位以及出行机动性、出行费用成本、出行倾向等出行特征为基础建立的居民出行决策的结构方程模型则重点分析多变量之间的相互作用，通过系统的方式模拟居民的出行决策过程。
(2)在居民出行选择的结构方程模型中，以居民属性为基础建立的外生变量对包括出行目的、出行方式、出行时间和出行强度等在内的内生变量存在差异化的作用机制。具体来说，居民属性对居民出行行为的作用机制，是通过影响出行目的、出行时间和出行方式等内生变量组，最终影响居民的出行强度，因此居民属性对出行强度产生的是间接效应；内生变量之间的相互作用路径多、变量关系复杂，但是出行目的作为内生变量的核心，对其他内生变量有着最广泛影响。总的来说，在居民出行选择的结构方程模型中，居民属性和居住区位是根本，出行目的是关键，居民的出行行为可以概括为“属性决定目的，目的决定行动”(图4)。
(3)居民出行决策的结构方程模型则模拟了居民的性别、年龄、收入水平及居住区位等外生变量在居民出行决策过程中的多元差异化路径系统，路径差异使外生变量对居民出行行为产生多重多向的效应和影响。居民的抽象决策模型可以解读为4个主要路径系统：①性别决策子系统显示，女性居民的生活性出行倾向更强烈，因此下午和傍晚的出行发生率较高，从而增加了女性居民的日出行强度；②年龄决策子系统显示，年龄对出行强度表现出多重多向效应的作用，一方面，年龄较大的居民倾向于选择低成本的出行方式，并伴随更强的生活性出行愿望，因此产生更多的日出行次数，另一方面，年龄的增长使居民的出行时间前移，夜间出行概率降低，因此其日出行次数略有下降；③收入决策子系统显示，收入越高的居民工作性出行倾向越强烈，并倾向于选择成本较高的出行方式，而工作性出行比重的上升和出行费用的增加都将减少居民的出行强度；④居住区位决策子系统显示，郊区型社区居民出行机动性和出行费用成本要高于中心城区和新城区社区居民，出行距离增加和出行费用成本上升会减少郊区型社区居民的出行次数，同时生活性出行比重下降也减少了其日出行频率。
图4居民出行选择的结构方程模型的概念路径图
F ig.4
Abstract path diagram of concrete travel choice Structural Equation Model
内生变量 内生变量路径
175
地理学报
176
66卷参考文献(References)
[1]Law R.Beyond women and transport:towards new geographies of gender and daily mobility.Progress in Human
Geography,1999,23(4):567-588.
[2]Miller R.Household activity patterns in nineteenth-century suburbs:A time-geographic exploration.Annals of the
Association of American Geographers,1982,72(3):355-371.
[3]Hanson S.,Johnston I.Gender differences in work-trip length:explanation and implications.Urban Geography,1985,6(3):
193-219.
[4]Bondi L.Gender and geography:Crossing boundaries.Progress in Human Geography,1993,17(2):241-246.
[5]Preston V,McLafferty S,Hamilton E.The impact of family status on black,white and Hispanic women's commuting.
Urban Geography,1993,14(3):228-250.
[6]Kerry Hamilton,Linda Jenkins.A gender audit for public transport:A new policy tool in the tackling of social exclusion.
Urban Studies,2000,37(10):1793-1800.
[7]David Banister,Ann Bowling.Quality of life for the elderly:The transport dimension.Transport Policy,2004,11(2):
105-115.
[8]Glanda Laws."The land of old age":Society's changing attitudes towards urban built environment for elderly people.
Annals of the Association of American Geographers,1993,83(4):672-693.
[9]Rahaf Alsnih,David A.Hensher.The mobility and accessibility expectation of seniors in an aging population.
Transportation Research Part A,2003,37(10):903-916.
[10]K Bruce Newbold,Darren M Scott,Jamie E L et al.Travel behavior within Canada’s older population:A cohort analysis.
Journal of Transport Geography,2005,13(4):340-351.
[11]Sandra Rosenbloom.Sustainability and automobility among the elderly:An international assessment.Transportation,
2001,28(4):375-408.
[12]Anu Siren,Liisa Hakamies-Blomqvist.Private car as the grand equalizer?Demographic factors and mobility in Finnish
men and women age65+.Transportation Research Part F,2004,7(2):107-118.
[13]Thomas W Sanchez,Shen Qing,Peng Zhongren.Transit mobility,job access and low-income labor participation in US
metropolitan area.Urban Studies,2004,41(7):1313-1331.
[14]Philippe Apparicio,Anne-Marie Seguin.Measuring the accessibility of services and facilities for residents of public
housing in Montreal.Urban Studies,2006,43(1):187-211.
[15]Sumeeta Srinivasan,Peter Rogers.Travel behavior of low-income residents:Studying two contrasting locations in the city
of Chennai,India.Journal of Transport Geography,2005,13(3):265-274.
[16]Robert Cervero,Kara Kockelman.Travel demand and the3Ds:Density,diversity,and design.Transportation Research
Part D,1997,2(3):199-219.
[17]Susan Handy,Cao Xinyu,Patricia Mokhtarian.Correlation or causality between the built environment and travel
behavior?Evidence from northern California.Transportation Research Part D,2005,10:427-444.
[18]Randall Crane,Richard Crepeau.Does neighborhood design influence travel?A behavioral analysis of travel diary and
GIS data.Transportation Research Part D,1998,3(4):250-276.
[19]Chai Yanwei,Liu Zhilin et al.Time-space Structure of Chinese Cities.Beijing:Peking University Press,2002:60-61.[柴
彦威,刘志林等.中国城市的时空间结构.北京:北京大学出版社,2002:60-61.]
[20]Huang Jianzhong.Analysis on the characteristics of resident trip in Chinese mega-cities since1980's.Urban Planning
Forum,2005,(3):71-75.[黄建中.1980年代以来我国特大城市居民出行特征分析.城市规划学刊,2005,(3):71-75.] [21]Deng Maoying,Xie Li,Lin Xiaohua.An analysis on the characteristics of the trips on Guangzhou inhabitants and
development of urban communications.Tropical Geography,2000,20(1):32-37.[邓毛颖,谢理,林小华.广州市居民出行特征分析及交通发展的对策.热带地理,2000,20(1):32-37.]
[22]Chai Yanwei,Weng Guilan,Gong Hua.A study on temporal and spatial characteristics of shopping behavior of Shenzhen
residents.Human Geography,2004,19(6):79-84.[柴彦威,翁桂兰,龚华.深圳居民购物消费行为的时空间特征.人文地理,2004,19(6):79-84.]
[23]Chai Yanwei,Shang Yanran.The study on the temporal-spatial characteristics of the consumer activities of Shenzhen
residents at night.Geographical Research,2005,24(5):803-810.[柴彦威,尚嫣然.深圳居民夜间消费活动的时空特征.
地理研究,2005,24(5):803-810.]
[24]Lu Youcheng.Research on psychological behavior of the inhabitants on a journey of Wuhu city.Human Geography,1996,
11(1):44-48.[路有成.芜湖市居民出行心理行为研究.人文地理,1996,11(1):44-48.]
[25]Zhou Suhong,Yan Xiaopei.The relationship between urban structure and traffic demand in Guangzhou.Acta Geographica
Sinica,2005,60(1):131-142.[周素红,闫小培.广州城市空间结构与交通需求关系.地理学报,2005,60(1):131-142.] [26]Zhou Suhong,Yan Xiaopei.The impact of commuters’travel pattern on urban structure:A case study in some typical
communities in Guangzhou.Acta Geographica Sinica,2006,61(2):179-189.[周素红,闫小培.基于居民通勤行为分析的城市空间解读:以广州市典型街区为案例.地理学报,2006,61(2):179-189.]
2期曹小曙等：基于结构方程模型的广州城市社区居民出行行为
177 [27]Cao Xiaoshu,Chen Hemei,Li Linna.Private car travel characteristics and influencing factors in Chinese cities:A case
study of Guangzhou in Guangdong,China.Chinese Geographical Science,2009,19(4):325-332.
[28]Chai Yanwei,Weng Guilan,Liu Zhilin.Feminist geographical research on the behavior spaces of female residents in
Chinese cities.Human Geography,2003,18(4):1-4.[柴彦威,翁桂兰.刘志林.中国城市女性居民行为空间研究的女性主义视角.人文地理,2003,18(4):1-4.]
[29]Zhang Wenjia,Chai Yanwei.Theories and confirmed model of urban resident's travel demand:considering
intra-household interaction.Acta Geographica Sinica,2008,63(12):1246-1256.[张文佳,柴彦威.基于家庭的城市居民出行需求理论与验证模型.地理学报,2008,63(12):1246-1256.]
[30]Zhang Chun,Chai Yanwei,Li Changxia.The characteristics of daily activity of the elderly in Beijing city.Areal Research
and Development,2007,26(4):116-120.[张纯,柴彦威,李昌霞.北京城市老年人的日常活动路径及其时空特征.地域研究与开发,2007,26(4):116-120.]
[31]Chai Yanwei,Li Changxia.The spatial characteristics of shopping behavior of the Chinese urban elderly:A case study of
Beijing,Shenzhen and Shanghai.Acta Geographica Sinica,2005,60(3):401-408.[柴彦威,李昌霞.中国城市老年人日常购物行为的空间特征:以北京、深圳和上海为例.地理学报,2005,60(3):401-408.]
[32]Hau Kit-Tai,Wen Zhonglin,Cheng Zijuan.Structural Equation Model and Its Application.Beijing:Education Science
Press,2004:1-3.[侯杰泰,温忠麟,成子娟.结构方程模型及其应用.北京:教育科学出版社,2004:1-3.]
A SEM-based Study on Urban Community Resident's Travel
Behavior in Guangzhou
CAO Xiaoshu1,LIN Qiang2
(1.School of Geography and Planning,Sun Yat-sen University,Guangzhou510275,China;
2.Shenzhen Urban Planning and Research Center,Shenzhen518040,Guangdong,China) Abstract:From the perspective of behaviorism,the travel behavior of the urban resident is explored at the community scale.An example of Guangzhou is discussed and218samples from three communities are provided.Two Structural Equation Models(SEM)are developed respectively to explore the path relationships between various variables.Moreover,the mechanism of interaction between attributes and travel behaviors of residents are presented.The results indicate the distinctions between different urban residents’travel behaviors which result from various residents'attributes and community locations.Generally speaking,the travel pattern,travel timetable and travel frequency are influenced by travel motivation,which is determined by the residents'attributes and community location.Among all of the variables, residents’attributes and community location are the fundamental variables,while the former is the key variable.What's more,residents’attributes and community location have a significant impact on travel decision-making of the residents through four sub-path systems.The Gender Sub-path presents that females conduct more non-work trips which raise travel frequency.The Age Sub-path suggests that the older residents prefer a low-cost travel mode with more non-work travel intentions,thus their travel frequency is increased.The Income Sub-path indicates that the work trip plays a significant role in daily travel of high-income residents who prefer the high-cost travel mode,and as a result,their travel frequency is decreased.The Community Location Sub-path indicates that the residents in suburban communities care more about travel expenses than the residents in the city center;hence,the reduction of non-work trips will decrease their travel frequency.
Key words:urban community;travel behavior;SEM(structural equation model);Guangzhou
结构方程SEM模型案例分析 什么是SEM模型? 结构方程模型（Structural equation modeling, SEM）是一种融合了因素分析和路径分析的多元统计技术。它的强势在于对多变量间交互关系的定量研究。在近三十年内，SEM大量的应用于社会科学及行为科学的领域里，并在近几年开始逐渐应用于市场研究中. 顾客满意度就是顾客认为产品或服务是否达到或超过他的预期的一种感受。结构方程模型（SEM）就是对顾客满意度的研究采用的模型方法之一。其目的在于探索事物间的因果关系，并将这种关系用因果模型、路径图等形式加以表述。如下图： 图: SEM模型的基本框架 在模型中包括两类变量：一类为观测变量，是可以通过访谈或其他方式调查得到的，用长方形表示；一类为结构变量，是无法直接观察的变量，又称为潜变量，用椭圆形表示。 各变量之间均存在一定的关系，这种关系是可以计算的。计算出来的值就叫参数，参数值的大小，意味着该指标对满意度的影响的大小，都是直接决定顾客购买与否的重要因素。如果能科学地测算出参数值，就可以找出影响顾客满意度的关键绩效因素，引导企业进行完善或者改进，达到快速提升顾客满意度的目的。 SEM的主要优势 第一，它可以立体、多层次的展现驱动力分析。这种多层次的因果关系更加符合真实的人类思维形式，而这是传统回归分析无法做到的。SEM根据不同属性的抽象程度将属性分成多层进行分析。 第二，SEM分析可以将无法直接测量的属性纳入分析，比方说消费者忠诚度。这样就可以将数据分析的范围加大，尤其适合一些比较抽象的归纳性的属性。 第三，SEM分析可以将各属性之间的因果关系量化，使它们能在同一个层面进行对比，同时也可以使用同一个模型对各细分市场或各竞争对手进行比较。
教育学院读书报告（体育硕士） 学号: 姓名： 报告时间： 报告地点： 题目: 指导教师:
关于阶段变化模型（跨理论模型）的研究综述如今，时代的发展与信息化在我们的生活中占着越来越重要的位置，各种随之而来的不健康的行为习惯已经成为全世界关注的问题。如何改变这些不健康的行为方式，维持和促进健康，提升生活质量，是行为改变方向研究的重中之重。而阶段变化模型（跨理论模型）为这些研究开辟了新的方向，它把行为变化的认知、行为和时间有效地结合起来,并成功的应用到行为变化的干预中。 一、阶段变化模型（跨理论模型）的概念及研究背景 1.1阶段变化模型（跨理论模型）的概念 阶段变化模型（跨理论模型）是20世纪70年代末80年代初，美国罗德岛大学教授Prochaska和Diclemente提出的，最早应用于戒烟活动之中，后因结合了许多其他理论模型与基础，开始广泛应用于如吸毒、酗酒、减肥和体育锻炼等领域。阶段变化模型（跨理论模型）的重点是告诉我们行为变化是如何产生的，而不是行为变化为什么会发生变化。阶段变化模型（跨理论模型）所述个体从不活动到活动再到保持活动的动态变化是一个复杂的过程，使用单一的方法和理论要说明这个问题是很困难的，在行为的各种因素及变化过程中，不可能只用一种理论来解释说明，要把行为变化看成一个动态的过程，描述一个不健康的行为向一个健康行为转变的过程。 1.2 阶段变化模型（跨理论模型）的产生背景 早在20世纪50年代就有了阶段变化模型（跨理论模型）的雏形，美国罗德岛大学心理学教授Prochaska在准备成为精神治疗师的时候，父亲因无法相信心理治疗最终死于酒精中毒和抑郁症，Prochaska教授没能用心理治疗帮助父亲，也无法理解为什么心理治疗得不到信任，在认真思考的同时Prochaska教授以此为契机在心理治疗方面做了更多研究。后来他在与别人合写的《向好方向转变》一书中指出：对大多数人来说，从不健康的行为改变到具有健康行为通常是有挑战性的，改变通常是一个长期的过程，不会马上发生，并且是包括了几个阶段的过程，在每一个阶段、每个个体的认知和行为不同，任何简化行为改变的方式都是不恰当的。这直接导致了阶段变化模型（跨理论模型）领域的产生。 二、阶段变化模型（跨理论模型）基本内容 阶段变化模型（跨理论模型）组成因素包括：核心组织结构变化阶段以及对
結 構方程程模型型及其應 新增資 應用 資料
目錄 內容 頁數 引言 2 I. 第9.1版的改動 3 - 4 II. 章節內的新增資料 第一章 5 第三章 6 – 8 第十二章 9 – 10 第十四章 11 – 17 III. 附录內的新增資料 19 1
引言 自2005，為方便普通話及廣東話的學生，修習香港中文大學我所任教的結構方程課程，我製做了一個含有2種方言的網上課程，其後我亦將整個課程放在個人網頁(https://www.doczj.com/doc/a511092924.html,)免費讓公眾使用。 網上課程更精簡地解釋重點，尤其是對本書最艱深的部份（第三、四章），幫助最大。學員先看綱上課程，再參考書本內容，必感事半功倍。 主要参考文獻： du Toit, S., du Toit, M., Mels, G., & Cheng, Y. (n.d.). LISREL for Windows: SIMPLIS syntax files. Lincolnwood, IL: Scientific Software International, Inc. (available https://www.doczj.com/doc/a511092924.html,/lisrel/techdocs/SIMPLISSyntax.pdf) J?reskog, K.G. & S?rbom, D. (1999). LISREL 8: User’s Reference Guide. Lincolnwood, IL: Scientific Software International, Inc. J?reskog, K.G. & S?rbom, D. (1999). Structural Equation Modeling with the SIMPLIS Command Language. Lincolnwood, IL: Scientific Software International, Inc. Scientific Software International (SSI) (2012). LISREL 9.1 Release Notes. Lincolnwood, IL: The Author. (available from https://www.doczj.com/doc/a511092924.html,/lisrel/LISREL_9.1_Release_Notes.pdf) 2
★作业(全模型3)：结构方 程模型和路径分析的区别-标准化文件发布号：（9456-EUATWK-MWUB-WUNN-INNUL-DDQTY-KII
★数据分析的类型 1、以变量为中心的分析（R研究）：探索性因子分析、验证性因子分析、回归分析、结构方程模型分析等 2、以人为中心的分析（S研究）：聚类分析、判别分析等 ★因子载荷 因子载荷a（ij）的统计意义就是第i个变量与第j个公共因子的相关系数，即表示X（i）依赖F（j）的份量（比重）。统计学术语称作权，心理学家将它叫做载荷，即表示第i个变量在第j个公共因子上的负荷，它反映了第i个变量在第j个公共因子上的相对重要性。 在因子分析中，通常只选其中m个(m 计划行为理论的发展及应用 1计划行为理论的来源与发展 理性行动理论(TheoryofReasonedAction，TRA)是计划行为理论(TheTheoryofPlanedBehavior，TPB)的前身[1-3]。理性行动理论可追溯到多属性态度理论(TheoryofMultiattributeAttitude)[4]。该理论认为行为态度决定行为意向，预期的行为结果及结果评估又决定行为态度。后来，Fishbein和Ajzen发展了多属性态度理论，提出理性行为理论(TheoryofReasonedAction)[1, 5, 6]。理性行为理论认为行为意向是决定行为的直接因素，它受行为态度和主观规范的影响。由于理性行为理论假定个体行为受意志控制，严重制约了理论的广泛应用，因此为扩大理论的适用范围，Ajzen1985年在理性行为理论的基础上，增加了知觉行为控制变量，初步提出计划行为理论。1991年Ajzen发表的《计划行为理论》，标志着计划行为理论的成熟。自理性行动理论提出后，计划行为理论到今天差不多已经走过了近30年的发展历程。在这30年间，历经不断的修正、丰富、质疑和完善，计划行为理论逐步坚实地成长壮大起来，不仅为国际社会心理学界，也为整个心理学界的众多研究者所验证和接受。作为一种成功地预测和解释态度与行为之间关系的社会心理学理论模型，今天，计划行为理论已被广泛地应用到人类生活的众多领域。绝大多数研究证明，该理论能更好地了解和预测个体的行为意图及自我效能和控制感，并显著地提高人们的具体态 度对行为的解释力[7]。 2 计划行为理论的要素 2.1、态度(Attitude)是指个人对该项行为所抱持的正面或负面的感觉，亦即指由个人对此特定行为的评价经过概念化之后所形成的态度，所以态度的组成成份经常被视为个人对此行为结果的显著信念的函 数[8]。 2.2、主观规范(Subjective Norm)是指个人对于是否采取某项特定 行为所感受到的社会压力，亦即在预测他人的行为时，那些对个人的行为决策具有影响力的个人或团体(salient individuals or groups)对于 个人是否采取某项特定行为所发挥的影响作用大小。 2.3、知觉行为控制(Perceived Behavioral Control)是指反映个人过 去的经验和预期的阻碍，当个人认为自己所掌握的资源与机会愈多、所预期的阻碍愈少，则对行为的知觉行为控制就愈强。而其影响的方式有两种，一是对行为意向具有动机上的含意；二是其亦能直接预测行为。 2.4、行为意向(Behavior Intention)是指个人对于采取某项特定行为的主观机率的判定，它反映了个人对于某一项特定行为的采行意愿。 2.5、行为(Behavior)是指个人实际采取行动的行为。 Ajzen认为所有可能影响行为的因素都是经由行为意向来间接影 响行为的表现[9]。而行为意向受到三项相关因素的影响，其一是源自于个人本身的“态度”，即对于采行某项特定行为所抱持的“态 结构方程模型（Structural Equation Modeling，SEM) 20世纪——主流统计方法技术：因素分析回归分析 20世纪70年代：结构方程模型时代正式来临 结构方程模型是一门基于统计分析技术的研究方法学，它主要用于解决社会科学研究中的多变量问题，用来处理复杂的多变量研究数据的探究与分析。在社会科学及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题。SEM能够对抽象的概念进行估计与检定，而且能够同时进行潜在变量的估计与复杂自变量/因变量预测模型的参数估计。 结构方程模型是一种非常通用的、主要的线形统计建模技术，广泛应用于心理学、经济学、社会学、行为科学等领域的研究。实际上，它是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合。多元回归、因子分析和通径分析等方法都只是结构方程模型中的一种特例。 结构方程模型是利用联立方程组求解，它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差。在许多科学领域的研究中，有些变量并不能直接测量。实际上，这些变量基本上是人们为了理解和研究某类目的而建立的假设概念，对于它们并不存在直接测量的操作方法。人们可以找到一些可观察的变量作为这些潜在变量的“标识”，然而这些潜在变量的观察标识总是包含了大量的测量误差。在统计分析中，即使是对那些可以测量的变量，也总是不断受到测量误差问题的侵扰。自变量测量误差的发生会导致常规回归模型参数估计产生偏差。虽然传统的因子分析允许对潜在变量设立多元标识，也可处理测量误差，但是，它不能分析因子之间的关系。只有结构方程模型即能够使研究人员在分析中处理测量误差，又可分析潜在变量之间的结构关系。 简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。通过结构方程多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。” 目前，已经有多种软件可以处理SEM，包括：LISREL，AMOS, EQS, Mplus. 结构方程模型包括测量方程（LV和MV之间关系的方程，外部关系）和结构方程（LV之间关系的方程，内部关系），以ACSI模型为例，具体形式如下： 动物集群运动行为模型系列之一 动物集群运动行为模型 摘要 自然界中很多种生物中都存在着复杂的群集行为，生物学家曾对此做了大量研究，也取得了很多重要的研究成果。群集行为在一定程度上是由群集智能所支配的，所谓群集智能指的是众多简单个体组成群体，通过相互间的合作表现出智能行为的特性。自然界中动物、昆虫常以集体的力量进行躲避天敌、觅食生存，单个个体所表现的行为是缺乏智能的，但由个体组成的群体则表现出了一种有效的复杂的智能行为。本文要做的主要工作是通过建立适当的数学模型，利用计算语言进行仿真，研究群体的集群运动。 针对问题一，我们首先寻找其理论基础，国内外专家研究群集行为时主要采用欧拉法和拉格朗日法。通过相关理论的比较发现，解决本题所研究的问题，采用拉格朗日法更佳。为方便研究，本文选取自然界的鱼群作为对象，建立自由游动模型、引入环境R-a模型、并在此基础上建立避开静态障碍物模型，赋予多Agent感知、交互能力，通过对Agent内部状态值的调节改变搜索参数，达到内部状态控制行为选择的目的，最后通过计算机仿真演示动物的集群运动。 针对问题二，在前面模型的基础上，进一步引进当Agent遭遇捕食者时的集群运动模拟算法。基于人工鱼群的自组织模型，确立相关的天敌因子，之后根据约束因子分配权重，进行迭代计算，实现鱼群逃逸模拟。 针对问题三，分析其信息丰富者对于群运动的影响，以及群运动方向的决策，借鉴种群中的信息传递原理，简化种群内通讯机制，并赋予鱼群一种彼此间可以互相传递信息的通讯方式，融合抽象的信息交互方式，建立动物的群体觅食模型信息交互模型，实现信息对种群对决策运动方向的影响。 A M O S结构方程模型分 析 Document serial number【LGGKGB-LGG98YT-LGGT8CB-LGUT- Amos模型设定操作 在使用AMOS进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图，并确定潜变量与可测变量的名称，以避免不必要的返工。 1.绘制潜变量 使用建模区域绘制模型中的潜变量，在潜变量上点击右键选择Object Properties，为潜变量命名。 2.为潜变量设置可测变量及相应的残差变量 使用绘制。在可测变量上点击右键选择Object Properties为可测变量命名。其中Variable Name对应的是数据的变量名，在残差变量上右键选择Object Properties为残差变量命名。 3.配置数据文件，读入数据 File——Data Files——File Name——OK。 4.模型拟合 View——Analysis Properties——Estimation——Maximum Likelihood。 5.标准化系数 Analysis Properties——Output——Standardized Estimates——因子载荷标准化系数。 6.参数估计结果 Analyze——Calculate Estimates。红色框架部分是模型运算基本结果信息，点击View the Output Path Diagram查看参数估计结果图。 7.模型评价 点击查看AMOS路径系数或载荷系数以及拟合指标评价。 路径系数/载荷系数的显着性 模型评价首先需要对路径系数或载荷系数进行统计显着性检验。 模型拟合指数 模型拟合指数是考察理论结构模型对数据拟合程度的统计指标。拟合指数的作用是考察理论模型与数据的适配程度，并不能作为判断模型是否成立的唯一依据。拟合优度高的模型只能作为参考，还需要根据所研究问题的背景知识进行模型合理性讨论。 指数名称评价标准1 绝对拟合指2 (卡方)越小越好 第七章体育锻炼与心理健康 一、填空题（将正确的答案填入空格） 1.心理健康强调个体内部的协调及其对外界环境的适应，它是指在智力正常的基础上所形成良好的心里个性特质和稳定的情绪，它是一种能够有效处理内外关系的良好状态。 2.体育锻炼对心理健康的影响主要体现在：体育锻炼对情绪、人格和认知功能的影响。 3.研究体育运动对智力的影响之所以有较大的难度，其主要原因是无法排除研究中的干扰因素，因而也就无法得出智力的变化就是由于体育运动而引起的结论。 4.关于体育锻炼与情绪关系的问题，是锻炼心理学领域中研究最多、内容最丰富、方法最成熟的热点话题。 5. 体育锻炼对情绪影响的最早理论研究是詹姆斯和朗格提出的情绪学说。 6.著名的情绪心理学家坎农将其的理论归纳为刺激情境-身体反应-情绪体验。 7.以特殊的锻炼方式影响人类情绪的首次尝试，是雅各布森提出用渐进性放松法来干预焦虑情绪。 8.列出与焦虑有关的三个心理生理指标：血压、心率、皮肤电。 9.列出与健康体能有关的三个指标：心肺耐力、柔韧性、肌肉耐力。 10.体育锻炼影响心理健康的生理学假说有：氨基酸神经递质假说、单胺类神经递质假说、脑内神经肽假说、心血管健康假说。 11.体育锻炼影响心理健康的心理学假说有：心境状态改善假说、注意力分散假说、认知行为假说、社会交互作用假说心理控制感假说、运动愉快感假说。 12. 注意力分散假说认为：通过体育锻炼可以使人分散对当前的忧虑和挫折的注意力，使消极情感得以发泄，使紧张情绪得到松弛，并趋向稳定。 13. 20世纪70年代，人格与运动关系的研究大多是从横向研究和纵向研究两个方面来进行研究 14.影响人们参加体育锻炼的个人因素有：个人统计学变量、个体生理状况、个人行为、个人心理特征和状态。 15.影响人们参加体育锻炼的环境因素有：物理环境、社会环境、体育活动特征。 16.关于锻炼行为的理论主要有：健康信息理论、合理行为理论与计划行为理论、社会认知理论、控制理论、跨理论模型。 17.跨理论模型分为5个不同阶段：前意向阶段、思考阶段、准备阶段、行动阶段、保持阶段。 18、人们行为改变的过程包括：一是认知过程，它在阶段变化的早期比较重要；二是行为过程，它主要应用于阶段变化的后期。 19.根据HBM模型的观点，人们一般不会主动进行体育锻炼，除非他们具备了一定水平的锻炼动机和锻炼意识，或自己有潜在的健康问题，或明白了进行体育锻炼的好处并且感到完成运动并不困难。 20.合理行为理论指出，行为由行为意向来决定，行为意向又由行为态度和主体规范来决定。 21.目前采用的锻炼干预手段主要有四种：一对一的方式、小群体干预、社区范围的活动、政策干预。 22.常用的一对一干预和小群体干预的策略有：情境安排、积极反馈、 目标设置、决策评定、社会支持。23、最早采用心理测量方法评定锻炼成瘾行为的学者是卡尔马克和马腾 结构方程模型的应用及分析策略 侯杰泰成子娟 (香港中文大学教育学院东北师范大学教育学院，130024) 摘要:差不多所有心理、教育、社会等概念，均难以直接准确测量，结构方程(SEM，Structural Equation Modelling)提供一个处理测量误差的方法，采用多个指标去反映潜在变量，也令估计整个模型因子间关系，较传统回归方法更为准确合理。本文主要用一系列有关学习动机的虚拟例子，指出每个问题的主要分析策略，以展示SEM在教育及心理学可以应用的研究范畴。文内探讨的方法包括：验证性因素、高阶因子、路径及因果分析、多时段(multiwave)设计、单形模型(Simple Model)、及多组比较等。 关键词结构方程验证性因素分析路径及因果分析高阶因子多组比较 结构方程(SEM,Structural Equation Modelling)、协方差结构模型(Covariance Structure Modelling、LISREL)等类似名词已渐流行，并成为一种十分重要的数据分析技巧；在大学高等学位研究课程，它是多变量分析(multivariate analysis)的重要课题；比较重要的社会、教育、心理期刊，也早已特开专栏介绍(如：候，1994；Connell & Tanaka,1987;Joreskog & Sorbom,1982)；可见SEM在统计学中所建立的声望及崇高地位是无容置疑的。本文主要用一系列有关学习动机的虚拟例子，来指出每个问题的主要分析策略，以展示结构方程模型在教育及心理学可以应用的研究范畴。 一、结构方程：优点及拟合概念 1.数学模式 很多社会、心理等变项，均不能准确地及直接地量度，这包括智力、社会阶层、学习动机等，我们只好退而求其次，用一些外项指标(observable indicators)，去反映这些潜伏变项。例如：我们以学生父母教育程度、父母职业及其收入(共六个变项)，作为学生家庭社经地位(潜伏变项)的指标，我们又以学生中、英、数三科成绩(外显变项)，作为学业成就(潜伏变项)的指标。 简单来说SEM可分测量(measurement)及潜伏变项(latent variable)两部分。测量部分就是求出六个社经指标与社经地位(或三科成绩与学业成就)(即外显指标与潜伏变项之间)的关系：而潜伏变项部分则指社经地位与学业成就(即潜伏变项与潜伏变项间)的关系。 指标(外显变项)含有随机(或系统)性的量度上误差，但潜伏变项则不含这些部份。SEM可用以下矩阵方程表示(Bollen,1989;Joreskog & Sorbom,1993)： η=βη+Γξ+ζ 《结构方程模型及其应用》 内容简介 侯杰泰，香港中文大学教育心理系教授、系主任。主要研究方向为学习动机，应用统计和香港语文政策。曾多次在北京、上海、南京、长春、广州等地举办的地区或全国性结构方程分析研习班上讲学。 在社会、心理、教育、经济、管理、市场等研究的数据分析中，当今称得上前沿的几个统计方法中，应用最广、研究最多的恐怕非结构方程分析莫属。它包含了方差分析、回归分析、路径分析和因子分析，弥补了传统回归分析和因子分析的不足，可以分析多因多果的联系、潜变量的关系，还可以处理多水平数据和纵向数据，是非常重要的多元数据分析工具。 本书是国内第一本系统介绍结构方程模型和LISREL的著作。阐述了结构方程分析（包括验证性因子分析）的基本概念、统计原理、在社会科学研究中的应用、常用模型及其LISREL程序、输出结果的解释和模型评价。《结构方程模型及其应用》还讨论了一些与结构方程模型有关的专题，是一本由初级至中上程度的结构方程分析著作，可作为有关专业高年级本科生和研究生的教科书及应用工作者的参考书。 目录 序 第一部分结构方程模型入门 第一章引言 一、描述数据 二、具体例子展示准确与简洁的考虑 三、探索性与验证性因子分析比较 第二章结构方程模型简介 一、结构方程模型的重要性 二、结构方程模型的结构 三、结构方程模型的优点 四、结构方程模型包含的统计方法 五、路径图的图标规则 六、结构方程分析软件包 七、LISIREL操作入门 第二部分结构方程模型应用 第三章应用示范I：验证性因子分析和全模型 一、验证性因子分析 二、多质多法模型 三、全模型 四、高阶因子分析 第四章应用示范II：单纯形和多组模型 一、单纯形模型 二、多组验证性因子分析 三、多组分析：均值结构模型 四、回归模型 Amos模型设定操作 在使用AMOS进行模型设定之前，建议事先在纸上绘制出基本理论模型和变量影响关系路径图, 并确定潜变量与可测变量的名称，以避免不必要的返工。 1. 绘制潜变量 使用*■建模区域绘制模型中的潜变量，在潜变量上点击右键选择Object Properties为潜变量命名。 2. 为潜变量设置可测变量及相应的残差变量 使用绘制。在可测变量上点击右键选择Object Properties为可测变量命名。对应的 是数据的变量名，在残差变量上右键选择Object Properties为残差变量命 名。 ￡炭Object Properties Test Par：iJTL 已七已工乞 | Colors | For mat ] Visibility | Set Default Undo 实施影 响 其中Variable Name Font size Font style Text | Parameters | Colors | Forniat | Visibility | Set Default 3. 配置数据文件，读入数据 File ----- Data Files ---- File Name ----- OK Edit View Diagram Analyze Tools Plugins Help ^ew New 空ith Template... Open... Retrieve Backup... 4. 模型拟合 View --- An alysis Properties ------ E stimation ----- M aximum Likelihood View Di 曰Analyze Tools Plugins Helf =3S Interface Properties,,, Ctrl+I 彳 &盟 ,3也齊 ________________ ￡trl^A ____ | u 〔口 d ；色严*。严尽六旨甘;日亡 厂丄c Est ijnation Numerical Bias | Output | Bootstrap | Permut at ions | Randan # | Tit le Discrepancy 厂 Estimate means intercepts C Generalized least squares 5. 标准化系数 An alysis Properties --- Output ------ S ta ndardized Estimate —因子载荷标准化系数。 0切Ed Properties T 辭dt |Paiajietei ：E | Colors | Fornat | Visibility | Font style Font size Variable nanne | Regular Variable label Save Save As... Save As Templat?... Ctrl+S Files.. Ctd + D |J * Maximujii lxkElihuucl arid n n Hr Analysis Pro 卩亡门咯 第38卷第10期西南师范大学学报(自然科学版)2013年10月V o l.38N o.10J o u r n a l o f S o u t h w e s t C h i n aN o r m a lU n i v e r s i t y(N a t u r a l S c i e n c eE d i t i o n)O c t.2013 文章编号:10005471(2013)10000107 青少年体育锻炼行为机制的结构方程模型分析① 冉清泉,付道领 西南大学体育学院,重庆400715 摘要:体育锻炼行为是健康生活方式的重要组成部分,青少年学生处于生理和心理迅速发育时期,也是健康生活 方式形成的关键时期,深入探究初中生体育锻炼行为的特征与规律对培养其健康的生活方式具有重要的意义.基 于对重庆市7所初中1508名初中生的问卷调查,运用结构方程模型分析方法对影响初中生体育锻炼行为的心理机 制和环境机制进行了探索性分析.结果显示:锻炼动机和锻炼效能直接影响初中的锻炼行为,对锻炼的价值判断通过动机和效能的中介作用间接影响锻炼行为;学校锻炼条件二锻炼机会和体育课程对学生锻炼行为产生直接影响,同时体育课程又是体育教师与学生锻炼行为间的中介变量;家长可直接也可通过提供锻炼器材间接影响学生的锻 炼行为. 关键词:体育锻炼;青少年;行为机制;结构方程模型 中图分类号:G8032文献标志码:A 人类行为科学的一个重要的目标就是对各种各样的行为现象进行合理的解释,然后制定行为干预措施以消除问题行为(如吸烟)或增进目标行为(如体育锻炼).行为机制从因果关系的角度揭示了行为改变的内在规律,不论是从解释行为现象或是制定二完善行为干预措施上讲,研究行为机制都将是极其重要二极为基础的工作. 有规律的体育锻炼不仅可以有效降低患冠心病二高血压二糖尿病二肥胖症及多种癌症的风险,还可以降低整体死亡率[1].尽管各国及地方政府越来越重视公共健康之于社会和谐和发展的重要作用,也都采取了积极的措施(如美国 健康公民2010 计划二中国 全国亿万学生阳光体育运动 ),但依然有39%的美国成人不参与体育活动,61%的从不参加大强度的体育活动[2].一项在中国西安的调查显示,只有56%的青少年达到了建议的锻炼水平,而平均每天坐着的时间却达到了6.4个小时[3].江苏省青少年只有49.1%的男生和41%的女生每周参与3次及以上的较大强度的体育活动[4]. 深入探讨体育锻炼行为的改变机制已成为健康行为研究领域的迫切需要,越来越多的研究者也呼吁加强对体育锻炼行为改变机制的研究[5-6],但现在阶段仍然有许多关于锻炼行为机制的问题(如探索行为改变的潜在机制二中介变量及调节变量的作用)还没有得到有效的解决[7-8]. 本文基于对初中生体育锻炼行为的问卷调查,运用结构方程模型(S E M)对影响初中生体育锻炼行为的心理机制和环境机制进行了探索性研究,以揭示心理因素(包括锻炼动机二锻炼效能和对锻炼的价值判断) ①收稿日期:20130510 基金项目:教育部人文社会科学研究青年基金项目(13Y J C890014);重庆市教育科学规划课题(2012-J C-007);西南大学科研基金资助项目(S WU1209348). 作者简介:冉清泉(1955),男,重庆人,教授,硕士生导师,主要从事体育教育训练学研究. 通信作者:付道领,讲师. 动物集群运动行为模型 摘要 自然界中很多种生物中都存在着复杂的群集行为，生物学家曾对此做了大量研究，也取得了很多重要的研究成果。群集行为在一定程度上是由群集智能所支配的，所谓群集智能指的是众多简单个体组成群体，通过相互间的合作表现出智能行为的特性。自然界中动物、昆虫常以集体的力量进行躲避天敌、觅食生存，单个个体所表现的行为是缺乏智能的，但由个体组成的群体则表现出了一种有效的复杂的智能行为。本文要做的主要工作是通过建立适当的数学模型，利用计算语言进行仿真，研究群体的集群运动。 针对问题一，我们首先寻找其理论基础，国内外专家研究群集行为时主要采用欧拉法和拉格朗日法。通过相关理论的比较发现，解决本题所研究的问题，采用拉格朗日法更佳。为方便研究，本文选取自然界的鱼群作为对象，建立自由游动模型、引入环境R-a 模型、并在此基础上建立避开静态障碍物模型，赋予多Agent感知、交互能力，通过对Agent内部状态值的调节改变搜索参数，达到内部状态控制行为选择的目的，最后通过计算机仿真演示动物的集群运动。 针对问题二，在前面模型的基础上，进一步引进当Agent遭遇捕食者时的集群运动模拟算法。基于人工鱼群的自组织模型，确立相关的天敌因子，之后根据约束因子分配权重，进行迭代计算，实现鱼群逃逸模拟。 针对问题三，分析其信息丰富者对于群运动的影响，以及群运动方向的决策，借鉴种群中的信息传递原理，简化种群内通讯机制，并赋予鱼群一种彼此间可以互相传递信息的通讯方式，融合抽象的信息交互方式，建立动物的群体觅食模型信息交互模型，实现信息对种群对决策运动方向的影响。 关键词：群集行为群集智能多Agent微分迭代信息交互群体觅食 结构方程模型( Structural Equation ，SEM) Modeling 20 世纪——主流统计方法技术：因素分析回归分析 20 世纪70 年代：结构方程模型时代正式来临结构方程模型是一门基于统计分析技术的研究方法学，它主要用于解决社会科学研究中的多变量问题，用来处理复杂的多变量研究数据的探究与分析。在社会科学及经济、市场、管理等研究领域，有时需处理多个原因、多个结果的关系，或者会碰到不可直接观测的变量（即潜变量），这些都是传统的统计方法不能很好解决的问题。SEM能够对抽象的概念进行估计与检定，而且能够同时进行潜在变量的估计与复杂自变量/ 因变量预测模型的参数估计。 结构方程模型是一种非常通用的、主要的线形统计建模技术，广泛应用于心理学、经济学、社会学、行为科学等领域的研究。实际上，它是计量经济学、计量社会学与计量心理学等领域的统计分析方法的综合。多元回归、因子分析和通径分析等方法都只是结构方程模型中的一种特例。 结构方程模型是利用联立方程组求解，它没有很严格的假定限制条件，同时允许自变量和因变量存在测量误差。在许多科学领域的研究中，有些变量并不能直接测量。实际上，这些变量基本上是人们为了理解和研究某类目的而建立的假设概念，对于它们并不存在直接测量的操作方法。人们可以找到一些可观察的变量作为这些潜在变量的“标识”，然而这些潜在变量的观察标识总是包含了大量的测量误差。在统计分析中，即使是对那些可以测量的变量，也总是不断受到测量误差问题的侵扰。自变量测量误差的发生会导致常规回归模型参数估计产生偏差。虽然传统的因子分析允许对潜在变量设立多元标识，也可处理测量误差，但是，它不能分析因子之间的关系。只有结构方程模型即能够使研究人员在分析中处理测量误差，又可分析潜在变量之间的结构关系。 简单而言，与传统的回归分析不同，结构方程分析能同时处理多个因变量，并可比较及评价不同的理论模型。与传统的探索性因子分析不同，在结构方程模型中，我们可以提出一个特定的因子结构，并检验它是否吻合数据。通过结构方程多组分析，我们可以了解不同组别内各变量的关系是否保持不变，各因子的均值是否有显著差异。” 目前，已经有多种软件可以处理SEM，包括：LISREL，AMOS, EQS, Mplus. 结构方程模型包括测量方程（LV和MV之间关系的方程，外部关系）和结构方程 AMOS结构方程模型修正经典案例 第一节模型设定结构方程模型分析过程可以分为模型构建、模型运算、模型修正以及模型解 释四个步骤。下面以一个研究实例作为说明，使用 Amos7 软件1进行计算，阐述在实际应用中结构方程模型的构建、运算、修正与模型解释过程。 一、模型构建的思路 本案例在著名的美国顾客满意度指数模型(ASCI)的基础上，提出了一个新的模型，并以此构建潜变量并建立模型结构。根据构建的理论模型，通过设计问卷对某超市顾客购物服务满意度调查得到实际数据，然后利用对缺失值进行处理后的数据2进行分析，并对文中提出的模型进行拟合、修正和解释。 二、潜变量和可测变量的设定 本文在继承 ASCI 模型核心概念的基础上，对模型作了一些改进，在模型中 增加超市形象。它包括顾客对超市总体形象及与其他超市相比的知名度。它与顾客期望，感知价格和顾客满意有关，设计的模型见表7-1。 模型中共包含七个因素 (潜变量 )：超市形象、质量期望、质量感知、感知价值、顾客满意、顾客抱怨、顾客忠诚，其中前四个要素是前提变量，后三个因素 是结果变量，前提变量综合决定并影响着结果变量(Eugene W. Anderson & Claes Fornell，2000;殷荣伍， 2000)。 表 7-1设计的结构路径图和基本路径假设 设计的结构路径图基本路径假设 超市形象 顾客抱怨质量期望 感知价值 顾客满意 质量感知 顾客忠诚超市形象对质量期望有路径影响 质量期望对质量感知有路径影响 质量感知对感知价格有路径影响 质量期望对感知价格有路径影响 感知价格对顾客满意有路径影响 顾客满意对顾客忠诚有路径影响 超市形象对顾客满意有路径影响 超市形象对顾客忠诚有路径影响 2.1 、顾客满意模型中各因素的具体范畴 1本案例是在Amos7 中完成的。 2见 spss数据文件“处理后的数据 .sav”。 ★结构方程模型要点 一、结构方程模型的模型构成 1、变量 观测变量：能够观测到的变量(路径图中以长方形表示) 潜在变量：难以直接观测到的抽象概念，由观测变量推估出来的变量（路径图中以椭圆形表示） 内生变量：模型总会受到任何一个其他变量影响的变量（因变量；路径图会受 外生变量：模型中不受任何其他变量影响但影响其他变量的变量（自变量；路 中介变量：当内生变量同时做因变量和自变量时，表示该变量不仅被其他变量影响，还可能对其他变量产生影响。 内生潜在变量：潜变量作为内生变量 内生观测变量：内生潜在变量的观测变量 外生潜在变量：潜变量作为外生变量 外生观测变量：外生潜在变量的观测变量 中介潜变量：潜变量作为中介变量 中介观测变量：中介潜在变量的观测变量 2、参数（“未知”和“估计”） 潜在变量自身：总体的平均数或方差 变量之间关系：因素载荷，路径系数，协方差 参数类型：自由参数、固定参数 自由参数：参数大小必须通过统计程序加以估计 固定参数：模型拟合过程中无须估计 （1）为潜在变量设定的测量尺度 ①将潜在变量下的各观测变量的残差项方差设置为1 ②将潜在变量下的各观测变量的因子负荷固定为1 （2）为提高模型识别度人为设定 限定参数：多样本间比较（半自由参数） 3、路径图 （1）含义：路径分析的最有用的一个工具，用图形形式表示变量之间的各种线性关系，包括直接的和间接的关系。 （2）常用记号： ①矩形框表示观测变量 ②圆或椭圆表示潜在变量 ③小的圆或椭圆，或无任何框，表示方程或测量的误差 单向箭头指向指标或观测变量，表示测量误差 单向箭头指向因子或潜在变量，表示内生变量未能被外生潜在变量解释的部分，是方程的误差 ④单向箭头连接的两个变量表示假定有因果关系，箭头由原因（外生）变量指向结果（内生）变量 运用跨理论模型对大学生体育锻炼行为改变的实证研究 【摘要】：跨理论模型(TheTrans-TheoreticalModel，简称TTM)作为综合性的心理研究模型，近年来在健康行为领域极为成功，这个模型已经被用于为数众多的健康行为改变研究，被引证为过去10年里最重要的理论健康促进发展模式之一。随着在锻炼心理学领域的逐步应用，跨理论模型再次成为研究者关注的焦点，受到了人们的重视。近年来我国部分研究者也对于这一理论模型陆续进行了简要的介绍，但目前尚缺乏对该理论模型的系统阐释，以及对该理论模型进一步的验证、修订和实证研究等深入的研究。在体育锻炼应用研究领域，随着我国大学生体质状况的持续下降，大学生群体的体育锻炼行为改变和行为习惯的养成教育越来越被国家和政府主管部门所重视。2002年我国出台了《学生体质健康标准》并在部分学校试行，2003年在50％的中小学和所有高校实施，2004年在全国各级各类学校全面实施；2006年12月23日全国学校体育工作会议召开，国务委员陈至立、教育部部长周济发表了重要讲话，启动“全国亿万学生阳光体育运动”，提出用三年时间使全体学生都要做到每天锻炼一小时，至少掌握两项日常锻炼的运动技能，形成良好的体育锻炼习惯，体质健康水平得到明显提高。2007年初，国家教育部、国家体育总局颁布了《关于进一步加强体育工作，切实提高学生健康素质的意见》；2007年4月23日中共中央政治局召开会议，研究加强青少年体育工作和网络文化建设工作，中共中央总书记胡锦涛主持会议并强调，广大青少年 身心健康、体魄强健、意志坚强、充满活力，是一个民族旺盛生命力的体现，是社会文明进步的标志。当前和今后一个时期，要认真落实健康第一的指导思想，建立健全学校体育工作的机制，充分保证学校体育课和学生体育活动，广泛开展群众性青少年体育活动和竞赛，加强体育卫生设施和师资队伍建设，全面完善学校、社区、家庭相结合的青少年体育工作网络，形成全社会珍视健康、重视体育的氛围，培养青少年良好的锻炼习惯和健康的生活方式，在广大青少年中形成热爱体育、崇尚运动、健康向上的良好风气。学校要把增强学生体质作为教育的基本目标之一，把健康素质作为评价学生全面发展的重要指标，全面实施《国家学生体质健康标准》，切实抓好青少年学生体育工作的落实。在此背景下，各级教育行政部门采取多种措施提高学生体育锻炼意识、能力和行为习惯，研究机构也加大了对大学生体育锻炼问题的研究力度。在此前提下，本研究以跨理论模型为理论基础，对如何有效地促进大学生体育锻炼行为改变进行初步的理论探索，在前人研究的基础上编制、修订《中国大学生体育锻炼行为改变量表》，并对该量表进行信效度检验，运用改良后的量表对全国大学生进行大样本的横向调查，并对北京地区部分高校大学生进行纵向干预实验研究，以期运用跨理论模型促进中国大学生的体育锻炼行为改变。本研究分为以下六个部分：第一部分文献综述主要介绍在体育锻炼研究中所涉及到的相关理论模型，包括：社会认知理论、健康信念理论、保护动机理论、合理行动和计划行为理论以及其他理论框架。在此基础上对跨理论模型的理论起源、概念和理论建构、测量以及研究现状进 AMOS输出解读 惠顿研究 惠顿数据文件在各种结构方程模型中被当作经典案例，包括AMOS 和LISREL。本文以惠顿的社会疏离感追踪研究为例详细解释AMOS的输出结果。AMOS同样能处理与时间有关的自相关回归。 惠顿研究涉及三个潜变量，每个潜变量由两个观测变量确定。67疏离感由67无力感（在1967年无力感量表上的得分）和67无价值感（在1967年无价值感量表上的得分）确定。71疏离感的处理方式相同，使用1971年对应的两个量表的得分。第三个潜变量，SES（社会经济地位）是由教育（上学年数）和SEI(邓肯的社会经济指数)确定。 解读步骤 1.导入数据。 AMOS在文件ex06-a.amw中提供惠顿数据文件。使用File/Open，选择这个文件。在图形模式中，文件显示如下。虽然这里是预定义模式，图形模式允许你给变量添加椭圆，方形，箭头等元素建立新模型 2.模型识别。 潜变量的方差和与它关联的回归系数取决于变量的测量单位，但刚开始谁知道呢。比如说要估计误差的回归系数同时也估计误差的方差，就好像说“我买了10块钱的黄瓜，然后你就推测有几根黄瓜，每根黄瓜多少钱”，这是不可能实现的，因为没有足够的信息。如何告诉你“我买了10块钱的黄瓜，有5根”，你便可以推出每根黄瓜2块钱。对潜变量，必须给它们指定一个数值，要么是与潜变量有关的回归系数，要么是它的方差。对误差项的处理也是一样。一旦做完这些处理，其它系数在模型中就可以被估计。在这里我们把与误差项关联的路径设为1，再从潜变量指向观测变量的路径中选一条把它设为1。这样就给每个潜变量设置了测量尺度，如果没有这个测量尺度，模型是不确定的。有了这些约束，模型就可以识别了。 注释：设置的数值可以是1，也可以是其它数，这些数对回归系数没有影响，但对误差有影响，在标准化的情况下，误差项的路径系数平方等于它的测量方差。 3.解释模型。 模型设置完毕后，在图形模式中点击工具栏中计算估计按钮 运行分析。点击浏览文本按钮。输出如下。蓝色字体用于注解，不是AMOS输出的一部分。 Title Example6,Model A:Exploratory analysis Stability of alienation, mediated by ses.Correlations,standard deviations and means from Wheaton et al.(1977). 以上是标题，全是英文，自己翻译去吧，没有什么价值，一堆垃圾。 Notes for Group(Group number1) The model is recursive. Sample size=932计划行为理论的发展及应用(健康行为)
结构方程模型案例
最新动物集群运动行为模型系列之一
AMOS结构方程模型分析
体育心理学题库第七章
结构方程模型的应用及分析策略
《结构方程模型及其应用》
AMOS-结构方程模型分析
青少年体育锻炼行为机制的结构方程模型分析
动物集群运动行为模型系列之一
结构方程模型案例汇总-共18页
AMOS结构方程模型修正经典案例
最新★结构方程模型要点资料
运用跨理论模型对大学生体育锻炼行为改变的实证研究
使用AMOS解释结构方程模型
相关主题
文本预览